一种电力市场数据自适应预测的优化方法技术

本发明专利技术属于电力预测技术领域，尤其涉及一种电力市场数据自适应预测的优化方法，包括以下步骤：(1)通过时序数据库，设计电力市场数据结构，完成对存量数据的入库存储；构建预测算法池，并基于入库数据定义预测任务，为预测任务匹配最优算法集合；(2)通过智能网关、专用数据协议接口等方法动态获取更新电力市场数据；(3)对增量更新数据，进行校验和异常处理，最终由时序数据库存储有效数据；(4)针对预测任务的步长、频率特征，对最优算法集合中的各算法动态调参优化；(5)对最优算法集合进行动态权重优化，组合输出最终预测结果。本发明专利技术数据处理效率高、在电力市场场景下通用性强、优化输出结果稳定。出结果稳定。出结果稳定。

【技术实现步骤摘要】
一种电力市场数据自适应预测的优化方法


[0001]本专利技术属于电力预测
，尤其涉及一种电力市场数据自适应预测的优化方法。

技术介绍

[0002]目前电力市场数据预测尚无一种适应性强、通用性高的优化方法框架。电力市场相关预测的数据具有数据条目繁杂、动态增长、质量不稳定的特点，预测任务多样，适配模型及模型参数组合种类多且动态变化。电力市场数据预测的现有方法，未能较好地同时满足数据处理效率高、通用性强、优化输出结果稳定的要求。主要原因是，现有方法的运行方式多采用常规关系型数据库和批量计算框架，模型优化调参过程未能动态在线开展，针对数据质量造成的任务偏差和数据质量瑕疵未有针对性措施。因此，有必要研发一种能够满足电力市场需要的自适应预测的优化方法，要同时具有数据处理效率高、通用性强、优化输出结果稳定的特点。

技术实现思路

[0003]本专利技术为了解决上述现有技术中存在的缺陷和不足，提供了一种数据处理效率高、在电力市场场景下通用性强、优化输出结果稳定的电力市场数据自适应预测的优化方法。
[0004]本专利技术的技术方案如下：一种电力市场数据自适应预测的优化方法，包括以下步骤：
[0005](1)通过时序数据库，设计电力市场数据结构，完成对存量数据的入库存储；构建预测算法池，并基于入库数据定义预测任务，为预测任务匹配最优算法集合；
[0006](2)通过智能网关、专用数据协议接口等方法动态获取更新电力市场数据；
[0007](3)对增量更新数据，进行校验和异常处理，最终由时序数据库存储有效数据；
[0008](4)针对预测任务的步长、频率特征，对最优算法集合中的各算法动态调参优化；
[0009](5)对最优算法集合进行动态权重优化，组合输出最终预测结果。
[0010]优选地，所述步骤(1)具体是指将市场内部数据、市场外部公开数据、智能网关采集数据电力市场数据存储于时序数据库中，供后续预测方法通过时间索引访问数据；基于不同数据条目的物理意义，依据实际业务流需求，定义预测任务；以预测任务为目标，遍历算法池，通过预测偏差选出最优的三种预测方法作为对应预测任务的最优算法集合；将任务定义、匹配关系、模型参数入库保存，供后续在线动态调参使用；算法池中的数据预测方法包含：Holt
‑
Winters模型季节性方法、TBATS(指数平滑状态空间模型)、差分整合移动平均自回归模型、LSTM、多层感知器、GBDT。
[0011]优选地，Holt
‑
winters模型描述如下：
[0012][0013][0014]b
t
＝β
*
(l
t
‑
l
t
‑1)+(1
‑
β
*
)b
t
‑1[0015][0016]其中：
[0017]l
t
：水平分量
[0018]b
t
：趋势分量
[0019]s
t
：周期性分量
[0020]相应的平滑参数分别为d，p*和γ，季节性分量用相对数百分比表示，时间序列通过除以季节性分量来进行季节性调整，并且每年的季节性分量加起来约为m。
[0021]优选地，TBATS模型描述如下
[0022][0023]l
t
＝l
t
‑1+φb
t
‑1+αd
t
[0024]b
t
＝φb
t
‑1+βd
t
[0025][0026]其中：
[0027]序列在t时刻的值(经过box
‑
cOx变换)
[0028]周期性成分
[0029]l
t
：局部的水平
[0030]b
t
：阻尼趋势
[0031]d
t
：自回归滑动平均模型描述的残差项
[0032]e
t
：高斯白噪声过程
[0033]优选地，差分整合移动平均自回归模型描述如下：
[0034]y
′
t
＝c+φ1y
′
t
‑1+
…
+φ
p
y
′
t
‑
p
+θ1ε
t
‑1+
…
+θ
q
ε
t
‑
q
+ε
t
，
[0035]上式中y
′
t
是差分序列，右侧的“预测变量”包括y
t
的延迟值和延迟的误差，p是自回归模型阶数，d为差分阶数，q为移动平均模型阶数。
[0036]优选地，所述步骤(2)具体是指通过两种方式动态更新电力市场数据：利用物联网智能网关，采集相关数据，通过公用4G/LTE网络将数据无线传输至服务器；通过服务器定时规则，周期性请求专用数据协议接口，将数据保存至服务器。
[0037]优选地，所述步骤(3)具体是指对步骤(2)中的增量数据，进行数据质量校验；通过统计分布规则和指数平滑规则校验则为有效数据，未通过则需进入异常处理；异常处理中，可人工指定规则，规则包含算法池中的算法及其他常用数据重采样和数据填充处理算法，经过异常处理的数据即为有效数据，有效数据将进入时序数据库。
[0038]优选地，所述步骤(4)具体是指基于步骤(3)的有效数据，进入动态调参优化步骤；最优算法集合的预测可分为：组合单点预测和递归预测两种类型，针对预测任务步长差异和频率差异，系统将对预测模式进行优化选择；此外，基于最新更新的数据，对最优算法集
合中预测模型的超参数进行在线优化；最终输出一组独立最优预测结果。
[0039]优选地，所述步骤(5)具体是指基于步骤(4)的结果，建立最优组合模型，进而生成最终预测结果；最优组合模型由三种建立方式：其中动态加权模型是各子模型近期性能表现求解权重并输出果；多层感知器方法建立BP神经网络，将预测结果作为输入、经过2个隐藏层最终为输出目标结果；决策树方法类似多层感知器方法，将神经网络替换为GBDT模型；方法配置因任务而异，由模型最终性能表现自动优化选择。
[0040]优选地，动态加权模型描述如下：模型目标定义为通过对k个预测模型F的组合，实现在0到n
‑
1的区间上，对x序列的预测，方法的目标是：
[0041]min(x
‑
δ0l
‑
Fδ)
T
(x
‑
δ0l
‑
Fδ)
[0042]正规方程组为：
[0043]F
T
(x
‑
δ0l
‑
Fδ)＝0
[0044]l
T
(x...

【技术保护点】

【技术特征摘要】
1.一种电力市场数据自适应预测的优化方法，其特征在于：其包括以下步骤：(1)通过时序数据库，设计电力市场数据结构，完成对存量数据的入库存储；构建预测算法池，并基于入库数据定义预测任务，为预测任务匹配最优算法集合；(2)通过智能网关、专用数据协议接口等方法动态获取更新电力市场数据；(3)对增量更新数据，进行校验和异常处理，最终由时序数据库存储有效数据；(4)针对预测任务的步长、频率特征，对最优算法集合中的各算法动态调参优化；(5)对最优算法集合进行动态权重优化，组合输出最终预测结果。2.根据权利要求1所述的一种电力市场数据自适应预测的优化方法，其特征在于：所述步骤(1)具体是指将市场内部数据、市场外部公开数据、智能网关采集数据电力市场数据存储于时序数据库中，供后续预测方法通过时间索引访问数据；基于不同数据条目的物理意义，依据实际业务流需求，定义预测任务；以预测任务为目标，遍历算法池，通过预测偏差选出最优的三种预测方法作为对应预测任务的最优算法集合；将任务定义、匹配关系、模型参数入库保存，供后续在线动态调参使用；算法池中的数据预测方法包含：Holt
‑
Winters模型季节性方法、TBATS(指数平滑状态空间模型)、差分整合移动平均自回归模型、LSTM、多层感知器、GBDT。3.根据权利要求2所述的一种电力市场数据自适应预测的优化方法，其特征在于：Holt
‑
winters模型描述如下：winters模型描述如下：b
t
＝β
*
(l
t
‑
l
t
‑1)+(1
‑
β
*
)b
t
‑1其中：l
t
：水平分量b
t
：趋势分量s
t
：周期性分量相应的平滑参数分别为α，β*和γ，季节性分量用相对数百分比表示，时间序列通过除以季节性分量来进行季节性调整，并且每年的季节性分量加起来约为m。4.根据权利要求2所述的一种电力市场数据自适应预测的优化方法，其特征在于：TBATS模型描述如下l
t
＝l
t
‑1+φb
t
‑1+αd
t
b
t
＝φb
t
‑1+βd
t
其中：序列在t时刻的值(经过box
‑
cox变换)
周期性成分l
t
：局部的水平b
t
：阻尼趋势d
t
：自回归滑动平均模型描述的残差项e
t
：高斯白噪声过程5.根据权利要求2所述的一种电力市场数据自适应预测的优化方法，其特征在于：差分整合移动平均自回归模型描述如下：y
′
t
＝c+φ1y
′
t
‑1+
…
+φ
p
y

【专利技术属性】
技术研发人员：刘衍波，肖定垚，叶非寒，唐世俊，董毅峰，张璟沛，谢文锦，赵聪聪，孙丹，张宏静，吴云亮，侯俊贤，杨小志，
申请(专利权)人：浙江万里扬能源科技有限公司，
类型：发明
国别省市：